边缘计算——在更靠近终端用户而非集中式数据中心的地方进行运算的实践——多年来一直是IT领域的热门话题。由于边缘架构能够降低延迟并提升性能,企业已经广泛采用这种架构来解决速度、安全性和效率方面的挑战。
虽然这些优势长期以来都很重要,但在实时数据分析和人工智能时代,边缘计算变得更加关键。这些工作负载需要近乎瞬时的处理能力,使得传统网络架构变得不太可行。
但是,关于边缘计算的讨论有多少只是纸上谈兵,又有多少反映了真实的应用情况?企业在多大程度上积极部署边缘工作负载?他们面临哪些挑战,又看到了哪些好处?
为了回答这些问题,ITPro Today对IT专业人士进行了调研,了解他们所在组织的边缘计算策略和投资情况。本报告详细介绍的调研结果,为边缘计算的现状以及企业在网络边缘的下一步投资计划提供了宝贵见解。
主要调研发现包括:
o IT专业人士对边缘计算的认知仍然有限,55%的受访者表示他们对这一概念只是"有一定了解"。
o 边缘计算投资差异很大:21%的企业在IT预算中分配不到5%,而33%的企业至少将10%的预算投入到边缘相关项目中。
o 性能改善和安全性是采用IT边缘计算的主要驱动因素。
o 分析和数据缓存是主要用例,而更先进的应用——如AI/ML推理和智慧城市基础设施——仍然不够普及。
o Microsoft Azure IoT Edge是使用最广泛的边缘平台,尽管组织采用的解决方案各不相同。
o 混合云-边缘模型是主流架构,36%的组织都在实施这种架构。
o 成本是边缘计算采用的最大障碍。
o 企业正在部署各种策略和解决方案来降低边缘数据安全风险。
如需深入了解调研数据及其对现代IT策略的影响,请立即下载我们的《2025年边缘计算趋势报告》免费副本!
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。